大数据必学框架-Sqoop

大数据必学框架-Sqoop

一、Sqoop 简介

Sqoop 是一款开源的工具， 主要用于在 Hadoop(Hive)与传统的数据库(mysql、 postgresql…)间进行数据的传递，可以将一个关系型数据库（例如 ： MySQL ,Oracle ,Postgres 等）中的数据导进到 Hadoop 的 HDFS 中，也可以将 HDFS 的数据导进到关系型数据库中。

Sqoop 项目开始于 2009 年， 最早是作为 Hadoop 的一个第三方模块存在， 后来为了让使用者能够快速部署， 也为了让开发人员能够更快速的迭代开发， Sqoop 独立成为一个 Apache项目。

二、Sqoop 原理

将导入或导出命令翻译成 mapreduce 程序来实现。

在翻译出的 mapreduce 中主要是对 inputformat 和 outputformat 进行定制。

三、Sqoop 安装

安装 Sqoop 的前提是已经具备 Java 和 Hadoop 的环境。

1、下载并解压

1. 下载地址：http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/

2. 上传安装包 sqoop-1.4.6.binhadoop-2.0.4-alpha.tar.gz 到虚拟机中

3. 解压 sqoop 安装包到指定目录，如：

$ tar -zxf sqoop-1.4.6.binhadoop-2.0.4-alpha.tar.gz -C /opt/module/ 

2、修改配置文件

Sqoop 的配置文件与大多数大数据框架类似，在 sqoop 根目录下的 conf 目录中。

1) 重命名配置文件

$ mv sqoop-env-template.sh sqoop-env.sh

2)修改配置文件

sqoop-env.sh

export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2 
export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2 
export HIVE_HOME=/opt/module/hive 
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10 
export ZOOCFGDIR=/opt/module/zookeeper-3.4.10 
export HBASE_HOME=/opt/module/hbase 

3、拷贝 JDBC 驱动

拷贝 jdbc 驱动到 sqoop 的 lib 目录下，如：

$  cp  mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/ 

4、验证 Sqoop

我们可以通过某一个 command 来验证 sqoop 配置是否正确：

$ bin/sqoop help 

出现一些 Warning 警告（警告信息已省略），并伴随着帮助命令的输出：

Available commands: 
  codegen            Generate code to interact with database records 
  create-hive-table     Import a table definition into Hive 
  eval               Evaluate a SQL statement and display the results 
  export             Export an HDFS directory to a database table 
  help               List available commands 
  import             Import a table from a database to HDFS 
  import-all-tables     Import tables from a database to HDFS 
  import-mainframe    Import datasets from a mainframe server to HDFS 
  job                Work with saved jobs 
  list-databases        List available databases on a server 
  list-tables           List available tables in a database 
  merge              Merge results of incremental imports 
  metastore           Run a standalone Sqoop metastore 
  version            Display version information 

5、测试 Sqoop 是否能够成功连接数据库

$ bin/sqoop list-databases --connect jdbc:mysql://hadoop102:3306/ --username root --password 000000

四、Sqoop 的简单使用案例

1、导入数据

在 Sqoop 中，“导入”概念指：从非大数据集群（RDBMS）向大数据集群（HDFS，HIVE，HBASE）中传输数据，叫做：导入，即使用 import 关键字。

RDBMS 到 HDFS

1) 确定 Mysql 服务开启正常

2) 在 Mysql 中新建一张表并插入一些数据

$ mysql -uroot -p000000 
mysql> create database company; 
mysql> create table company.staff(id int(4) primary key not null auto_increment, name varchar(255), sex varchar(255)); 
mysql> insert into company.staff(name, sex) values('Thomas', 'Male'); 
mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale'); 

3) 导入数据

（1 ）全部导入

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table staff \ 
--target-dir /user/company \ 
--delete-target-dir \ 
--num-mappers 1 \ 
--fields-terminated-by "\t" 

（2 ）查询导入

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--target-dir /user/company \ 
--delete-target-dir \ 
--num-mappers 1 \ 
--fields-terminated-by "\t" \ 
--query 'select name,sex from staff where id <=1 and $CONDITIONS;' 

提示：must contain ‘$CONDITIONS’ in WHERE clause.

如果 query 后使用的是双引号， 则$CONDITIONS 前必须加转移符， 防止 shell 识别为自己的变量。

（3 ）导入指定列

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--target-dir /user/company \ 
--delete-target-dir \ 
--num-mappers 1 \ 
--fields-terminated-by "\t" \ 
--columns id,sex \ 
--table staff

提示：columns 中如果涉及到多列，用逗号分隔，分隔时不要添加空格
（4 ）使用 sqoop 关键字筛选查询导入数据

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--target-dir /user/company \ 
--delete-target-dir \ 
--num-mappers 1 \ 
--fields-terminated-by "\t" \ 
--table staff \ 
--where "id=1" 

RDBMS 到 Hive

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table staff \ 
--num-mappers 1 \ 
--hive-import \ 
--fields-terminated-by "\t" \ 
--hive-overwrite \ 
--hive-table staff_hive 

提示：该过程分为两步，第一步将数据导入到 HDFS，第二步将导入到 HDFS 的数据迁移到Hive 仓库，第一步默认的临时目录是/user/gis/表名

RDBMS 到 Hbase

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table company \ 
--columns "id,name,sex" \ 
--column-family "info" \ 
--hbase-create-table \ 
--hbase-row-key "id" \ 
--hbase-table "hbase_company" \ 
--num-mappers 1 \ 
--split-by id 

提示：sqoop1.4.6 只支持 HBase1.0.1 之前的版本的自动创建 HBase 表的功能

2、导出数据

在 Sqoop 中，“导出”概念指：从大数据集群（HDFS，HIVE，HBASE）向非大数据集群（RDBMS）中传输数据，叫做：导出，即使用 export 关键字。

HIVE/HDFS 到 RDBMS

$ bin/sqoop export \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table staff \ 
--num-mappers 1 \ 
--export-dir /user/hive/warehouse/staff_hive \ 
--input-fields-terminated-by "\t"

提示：Mysql 中如果表不存在，不会自动创建

脚本打包

使用 opt 格式的文件打包 sqoop 命令，然后执行

1) 创建一个.opt 文件

$ mkdir opt 
$ touch opt/job_HDFS2RDBMS.opt 

2) 编写 sqoop 脚本

$ vi opt/job_HDFS2RDBMS.opt 

export 
--connect 
jdbc:mysql://hadoop102:3306/company 
--username 
root 
--password 
000000 
--table 
staff 
--num-mappers 
1 
--export-dir 
/user/hive/warehouse/staff_hive 
--input-fields-terminated-by 
"\t" 

3) 执行该脚本

$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt